主要内容

trainImageCategoryClassifier

火车一个图像类别分类器

所有的页面崩溃

语法

分类器= trainImageCategoryClassifier (imd、袋)
分类器= trainImageCategoryClassifier (imd、袋、名称、值)

描述

例子

分类器= trainImageCategoryClassifier (洛桑国际管理发展学院,袋)返回一个图像类别分类器。分类器包含的类别和数量的分类标签输入洛桑国际管理发展学院图像。功能训练支持向量机(SVM)多类分类器使用的金宝app输入袋,一个bagOfFeatures对象。

你必须有一个统计和机器学习工具箱™许可使用这个函数。

这个函数使用多个MATLAB金宝app支持并行计算®工人。支持并行计算使用计算机视觉工具箱的偏好对话框。打开计算机视觉工具箱™偏好,家选项卡,环境部分中,点击首选项。选择计算机视觉的工具箱。

分类器= trainImageCategoryClassifier (洛桑国际管理发展学院,袋,名称,值)返回一个分类器对象与指定的一个或多个可选的输入属性名称,值对参数。

例子

全部折叠

这个示例使用:

打开生活的脚本

加载两个图像类别。

setDir = fullfile (toolboxdir (“愿景”),“visiondata”,“imageSets”);imd = imageDatastore (setDir,“IncludeSubfolders”,真的,“LabelSource”,…“foldernames”);

将数据集分为训练和测试数据。选择图像从每组训练数据的30%,其余70%的测试数据。

[trainingSet, testSet] = splitEachLabel (imd, 0.3,“随机”);

创建包的视觉单词。

袋= bagOfFeatures (trainingSet);
创建Bag-Of-Features。- - - - - - - - - - - - - - - - - - - - - - - - - *图像类别1:书*图像类别2:杯*使用网格方法选择特征点的位置。*从所选特征点提取冲浪功能位置。* * GridStep [8], BlockWidth (32 64 96 128)。*从4图像中提取特征……做的。提取76800特性。*保持最强的功能从每个类别的80%。*创建一个500字的视觉词汇。*层数:1 *分支系数:500 *的聚类步骤:1 *[1/1]步聚类词汇一级。*的特点:61440 *集群数量:500 *初始化聚类中心…100.00%。 * Clustering...completed 47/100 iterations (~0.87 seconds/iteration)...converged in 47 iterations. * Finished creating Bag-Of-Features

训练分类器的训练集。

categoryClassifier = trainImageCategoryClassifier (trainingSet、袋);
训练一个图像类别分类器两类。- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - *类别1:书*类别2:杯* 4图片…完成编码功能。*完成培训类别分类器。使用评估测试测试集上的分类器。

评估分类器使用测试图像。显示混合矩阵。

confMatrix =评估(categoryClassifier testSet)
评价图像类别分类器两类。- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - *类别1:书*类别2:评估8杯*图片……。*完成评估的所有测试集。*的混淆矩阵测试集是:预测已知|书杯- - - - - - - - - - - - - - - - - - - - - - - - - - - -书| | 0.25 - 0.75 * 0.75 - 0.25杯的平均精度为0.75。
confMatrix =2×20.7500 0.2500 0.2500 0.7500

发现平均分类精度。

意思是(诊断接头(confMatrix))
ans = 0.7500

应用新训练的分类器进行分类的新图像。

img = imread (fullfile (setDir“杯子”,“bigMug.jpg”));[labelIdx,分数]=预测(categoryClassifier, img);
使用Bag-Of-Features编码图像。- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - *编码图像做…。

显示分类标签。

categoryClassifier.Labels (labelIdx)
ans =1 x1单元阵列{“杯”}

输入参数

全部折叠

指定为一个图像imageDatastore对象。

包的特性,指定为一个bagOfFeatures对象。对象包含了一个视觉词汇代表图像的特征描述符提取每个图像的类别。

名称-值参数

指定可选的双参数作为Name1 = Value1,…,以=家,在那里的名字参数名称和吗价值相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。

R2021a之前,用逗号来分隔每一个名称和值,并附上的名字在报价。

例子:“详细”,真正的集“详细”到逻辑真正的。

使进展显示屏幕,指定为逗号分隔两人组成的“详细的”和逻辑真正的或假。

分类器选项,指定为逗号分隔两人组成的LearnerOptions”,学习者选择返回的输出templateSVM(统计和机器学习的工具箱)函数。

例2。例子

调整的正则化参数templateSVM(统计和机器学习的工具箱)并设置一个定制的内核函数,使用下面的语法:

选择= templateSVM (BoxConstraint, 1.1,“KernelFunction”,“高斯”);分类器= trainImageCategoryClassifier (imd,袋子,“LearnerOptions”,选择);

输出参数

全部折叠

图像类别分类器,作为一个返回imageCategoryClassifier对象。功能训练支持向量机(SVM)多类分类器使用纠金宝app错输出编码(ECOC)框架。

引用

[1]Csurka G。,C. R. Dance, L. Fan, J. Willamowski, and C. Bray视觉分类袋要点在计算机视觉,车间在统计学习,大会1(22页),1 - 2。

扩展功能

版本历史

介绍了R2014b

另请参阅

|||(统计和机器学习的工具箱)|(统计和机器学习的工具箱)

主题